Tản mạn đôi chút về việc import dữ liệu lớn với Ruby on Rails

Sử dụng ActiveRecord để insert thêm dữ liệu vào database là việc làm hết sức thường xuyên và quá quen thuộc với mọi người. Để thực hiện import dữ liệu vào database, thông thường ta sẽ chạy một vòng lặp để duyệt qua tất cả các dòng dữ liệu trong file, tạo ra đống các ActiveRecord object để thực hiện insert vào database (DB). Đại loại sẽ kiểu như thế này :

data_file = ".../test.csv"
CSV.foreach(data_file) do |attrs|
    Model.create attr1: attrs[0], ....
end

Ừ thì đoạn code trên hết sức bình thường, và có thể được sử dụng thường xuyên, nhưng đó là với lượng dữ liệu ít, tuy nhiên với dữ liệu lớn, con số lên tới từ mấy chục nghìn thì sao ? Làm như thế này sẽ tốn rất nhiều thời gian xử lý cũng như hao tốn tài nguyên hệ thống. Việc hao tốn thế nào bạn sẽ thấy ngay sau mỗi lần tối ưu lại code.

Bối cảnh

Ta sẽ có một file csv chứa tọa độ địa điểm các cửa hàng ở Hà Nội gồm 1000 dòng, tương ứng với 1000 cửa hàng cần thêm vào database. Mình sử dụng MySQL và cài đặt ngay trên máy local, sử dụng HDD có tốc độ quay 5400 rpm.

1. Sử dụng cách "nông dân"

Nông dân chính là đoạn code đầu tiên ở bên trên, với bối cảnh ở trên, thời gian mình chạy được mất khoảng 48.864907147s, chưa biết nhanh chậm thế nào nhỉ ? Vụ này để lát nữa tính tiếp, giờ nhìn vào log khi chạy, ta sẽ thấy dạng :

....
(0.1ms)  SAVEPOINT active_record_1
SQL (0.2ms)  INSERT INTO ...
(0.1ms)  RELEASE SAVEPOINT active_record_1
...
(0.1ms)  SAVEPOINT active_record_1
SQL (0.2ms)  INSERT INTO ...
(0.1ms)  RELEASE SAVEPOINT active_record_1

Rất rất nhiều cặp log như bên trên. Trông bối cảnh trên ta sẽ có 1000 cặp log như vậy. Nếu bạn thắc mắc ý nghĩa của đoạn log trên thì có thể đọc thêm về Active Record Transactions.

Phân tích một chút về cặp log gồm 3 dòng bên trên. Mỗi dòng sẽ tương ứng với 1 lần kết nối vào database để xử lý, vậy ta sẽ mất 3 lần kết nối vào db cho việc insert thành công một cửa hàng vào db, tổng cộng ta sẽ mất 3000 lần kết nối tới db cho việc import 1000 cửa hàng. Đây là kết quả của việc mỗi lần insert một cửa hàng ta lại tạo 1 db transaction.

=>> Cần giảm số lượng transaction xuống.

2. Gói gọn trong 1 transaction

Thay vì mỗi lần insert một cửa hàng ta tạo 1 db transaction, ta sẽ chỉ sử dụng một transaction duy nhất để commit cả 1000 cửa hàng. Rất đơn giản, chỉ việc bao đoạn code của chúng ta với ActiveRecord::Base.transaction

data_file = ".../test.csv"
ActiveRecord::Base.transaction do
    CSV.foreach(data_file) do |attrs|
        Model.create attr1: attrs[0], ....
    end
end

Và giờ, ta sẽ mất 1.510126093s để import 1000 cửa hàng. Rồi, nhìn coi, từ 48.864907147s giản xuống còn 1.510126093s. Không chỉ giảm thời gian chạy xuống, mà còn giảm gánh nặng cho db rất rất nhiều. Nhìn vào log ta sẽ thấy dạng :

(0.1ms)  SAVEPOINT active_record_1
SQL (0.2ms)  INSERT INTO...
SQL (0.2ms)  INSERT INTO...
...
SQL (0.2ms)  INSERT INTO...
(0.1ms)  RELEASE SAVEPOINT active_record_1

Sẽ có 1000 dòng INSERT INTO..., vậy nên ta sẽ tốn 1002 lần kết nối tới db thay vì 3000 lần như trước. Vẫn có vẻ nhiều kết nối quá, tiếp tục giảm nó xuống thôi.

3. Insert hàng loạt

Như ta đã biết, MySQL nói riêng và các hệ quản trị dữ liệu nói chung đều hỗ trợ việc insert dữ liệu hàng loạt với một lần insert duy nhất.

INSERT INTO shops (name, lat, long) VALUES ('A', '123', '321'), ('B', '113', '121'), ('C', '122', '324') ...

Vậy nên tội gì chúng ta không tận dụng để giảm số lần kết nối tới db đi. Sử dụng đặc tính này, ta sẽ chỉ cần tới 3 kết nối tới db thôi.

Để làm việc này bạn có thể viết câu SQL thuần, rồi execute nó, hoặc có thể sử dụng gem để nhìn nó sạch sẽ sáng sủa hơn. Ví dụ ở đây mình dùng gem activerecord-import. Đoạn code mới của ta sẽ có dạng :

data_file = ".../test.csv"
shops = CSV.read datafile
attributes = [:name, :lat, :long]
Shop.import attributes, shops

Thời gian import 1000 cửa hàng bây giờ sẽ chỉ còn 0.247711571s. Hay chưa ? Sau 2 lần tối ưu, ta đã giảm được thời gian từ 48.864907147s xuống còn 0.247711571s.

4. Chia nhỏ file dữ liệu

Đến đây ta đã rút ngắn được thời gian một cách rõ ràng, tuy nhiên với lượng dữ liệu lớn hơn nữa, hàng trăm triệu thì sao ? Rõ ràng tới bước thứ 3, ta vẫn có thể import một cách trơn tru với thời gian ngắn, nhưng vẫn còn cách nữa để nó còn nhanh và mượt hơn nữa. Cách này mình chưa kiểm chứng vì chưa cần thiết cũng như chưa có bối cảnh cụ thể, vậy nên sẽ chỉ có lý thuyết, bạn có thể tự thực hành